Sefalometrik radyografilerden makine öğrenmesi yöntemleri kullanarak büyüme evresi tespiti

Basit Öğe Kaydı
dc.contributor.advisorYücelbaş, Şule
dc.contributor.authorTürkoğlu, Fazilet
dc.date.accessioned2025-03-16T12:32:49Z
dc.date.available2025-03-16T12:32:49Z
dc.date.issued2025
dc.departmentEnstitüler, Lisansüstü Eğitim Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalı
dc.description12.08.2025 tarihine kadar kullanımı yazar tarafından kısıtlanmıştır.
dc.description.abstractBüyüme ve gelişme evreleri sefalometrik radyografi görüntüleri üzerinde tanımlanan servikal vertebra aşamaları ile belirlenebilmektedir. Geleneksel olarak Servikal Vertebra Maturasyon (SVM) evresinin doğru bir şekilde tespit edilmesi, zaman alıcı olabilmekte ve aynı zamanda da uzmanlık gerektirmektedir. Günümüzde yapay zekâ sistemleri, çeşitli algoritmalar kullanarak birçok alanda tahmin ve sınıflandırma gibi farklı görevleri yerine getirebilme kabiliyetine sahiptir. Bu sistemler yüksek doğrulukla teşhis yapabilmekte ve bu şekilde uzmanların işlerini kolaylaştırmakta aynı zamanda hata oranını da en aza indirmektedir. Bu amaçla bu tez çalışmasında sefalometrik radyografilerde gözlemlenen servikal vertebraların analizinin yapılmasıyla birlikte makine öğrenmesi algoritmaları kullanılarak SVM evresinin tespiti hedeflenmiştir. Çalışma kapsamında kullanılan veri seti Selçuk Üniversitesi Diş Hekimliği Fakültesi Ortodonti Anabilim Dalı'na başvuran hastaların kayıtlarından elde edilmiştir. Bu kayıtlar kullanılarak oluşturulan veri kümesi, SVM'nin 3 farklı evresine ait toplamda 7-17 yaş aralığında 120 hastadan alınan sefalometrik radyografilerden oluşmaktadır. Çalışmada kullanılan veri setini oluşturmak için evreleri belirlemede önemli olan noktalar uzman diş hekimi tarafından önerilmiş ve bireylerin sefalometrik radyografileri üzerinden 18 adet özellik otomatik olarak tespit edilmiştir (toplamda 120*18 örnek). İlk aşamada, belirlenen 18 özellikli veri seti kullanılıp 5 kat çapraz doğrulama yapılarak, 7 farklı makine öğrenmesi algoritmasıyla sınıflama işlemleri gerçekleştirilmiştir. Bu sınıflandırma sonucunda en iyi doğruluk oranı %82.5 olarak elde edilmiştir. Daha sonra veri setinden 30 adet örnek ayrılarak geriye kalan örnekler Varyasyonel Otomatik Kodlayıcı (VAE) yöntemiyle çoğaltılmıştır. Bu veriler üzerinde sayısal veri standardizasyonu gerçekleştirilmiş ve sonrasında Lasso yöntemi kullanılarak 7 adet etkin özellik belirlenmiştir. Yeni veri seti için de aynı çapraz doğrulama tekniği uygulanmış ve algoritmaların eğitim parametreleri kaydedilmiştir. Elde edilen modellere daha önce ayrılan test veri seti sunulmuş ve nihai performans parametreleri not edilmiştir. Sonuç olarak XGBoost algoritmasıyla tüm metriklerde en iyi sonuçlar elde edilmiş ve %90 doğruluk oranına ulaşılmıştır. Böylece literatüre hem özgün hem de başarılı bir bakış açısı kazandırılmıştır.
dc.description.abstractGrowth and development stages can be determined through the cervical vertebra stages defined on cephalometric radiographic images. Traditionally, accurately identifying the Cervical Vertebra Maturation (CVM) stage can be time-consuming and requires expertise. Today, artificial intelligence systems, utilizing various algorithms, have the capability to perform various tasks such as prediction and classification across multiple fields. These systems can make diagnoses with high accuracy, thus facilitating the work of specialists while minimizing the error rate.The aim of this thesis is to analyze the cervical vertebrae observed in cephalometric radiographs and to detect the stages of CVM using machine learning algorithms. The dataset used in this study was obtained from the records of patients who applied to the Department of Orthodontics, Faculty of Dentistry, Selçuk University. The dataset, created using these records, consists of cephalometric radiographs from 120 patients aged between 7 and 17 years, corresponding to the three different stages of CVM. The key points for determining the stages were suggested by an expert dentist, and 18 features were automatically extracted from the individuals' cephalometric radiographs (a total of 120×18 samples). In the first phase, a classification process was carried out using the dataset with 18 features, applying 5-fold cross-validation and 7 different machine learning algorithms. The best accuracy obtained from this classification was 82.5%. Then, 30 samples were separated from the dataset, and the remaining samples were augmented using the Variational Autoencoder (VAE) method. Afterward, numerical data standardization was performed, and 7 significant features were selected using the Lasso method. The same cross-validation technique was applied to the new dataset, and the training parameters of the algorithms were recorded. The previously separated test dataset was presented to the trained models, and the final performance metrics were noted. As a result, the XGBoost algorithm achieved the best results across all metrics, reaching an accuracy of 90%. Thus, a unique and successful perspective was contributed to the literature.
dc.identifier.endpage69
dc.identifier.startpage1
dc.identifier.urihttps://hdl.handle.net/20.500.13099/457
dc.identifier.yoktezid919410
dc.institutionauthorTürkoğlu, Fazilet
dc.language.isotr
dc.publisherTarsus Üniversitesi
dc.relation.publicationcategoryTez
dc.rightsinfo:eu-repo/semantics/closedAccess
dc.snmzKA_TEZ_20250316
dc.subjectBilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol
dc.subjectComputer Engineering and Computer Science and Control
dc.subjectDiş Hekimliği
dc.titleSefalometrik radyografilerden makine öğrenmesi yöntemleri kullanarak büyüme evresi tespiti
dc.title.alternativeGrowth stage detection using machine learning methods from cephalometric radiographs
dc.typeMaster Thesis

Dosyalar

Koleksiyon

Tez Koleksiyonu